富士蘋果采收成熟度光譜無損預測模型對比分析

趙 娟 全朋坤 馬敏娟 李 磊 何東健 張海輝

(1.西北農林科技大學機械與電子工程學院， 陜西楊凌 712100； 2.農業農村部農業物聯網重點實驗室， 陜西楊凌 712100)

0 引言

采收成熟度是指果實已完成了生長和化學物質的積累，體積不再增大且已經達到最佳貯運階段但未達到最佳食用階段[1]，是直接影響蘋果內部和外部品質形成不可逆轉的階段。研究表明采收成熟度不足，果實含糖量低、口感差，且貯藏期易感染多種生理病害[2-4]；成熟度過高，果實變軟變綿，口感風味差，耐儲性差[5-6]；合適的采收成熟度，不僅果品外觀性狀好，口感品質佳，而且具有較好的耐儲性[7-8]。因此，開展蘋果采收成熟度分類研究，對指導實際采收和后期貯藏都具有重要意義。

目前，國內外認可的淀粉-碘染色法測定蘋果成熟度，準確率高，但果實需切開進行淀粉染色，且對于富士蘋果成熟后期，淀粉已幾乎全部水解，成熟度的準確判斷還需結合其他指標[9]。近年來，不少學者采用無損方法對蘋果成熟度檢測進行了研究。劉鵬等[10]結合呼吸強度和硬度兩個生理指標，利用計算機視覺和敲擊振動兩傳感器信息融合技術，優選出振動頻率分量來檢測蘋果成熟度。ATTILA等[11]通過研究蘋果果皮與果肉的光譜特性及葉綠素、類胡蘿卜素和水分變化，提取678 nm的葉綠素敏感波長作為光譜指標判定成熟度。BETEMPS等[12]通過花青素指數、黃酮醇指數和葉綠素指數來評估蘋果成熟，結果發現葉綠素與蘋果的硬度呈正相關，與蘋果糖含量呈良好的負相關。NOH等[13]利用高光譜反射和熒光成像技術來預測蘋果成熟度，對比結果發現通過反射與熒光信息集成建立的成熟度各參數預測性能最優。MULYANI等[14]通過提取蘋果的顏色特征，利用模糊邏輯方法將成熟的富士蘋果分為生熟、半熟和全熟3類，測試集的分類精度為85.71%，誤差為14.29%。WU等[15]通過近紅外光譜技術，結合可溶性固形物含量和硬度2個指標實現對蘋果成熟和未成熟兩類判別，分類準確率為74%。上述研究表明通過無損技術預測水果成熟度是可行的。但國內蘋果采用套袋，集中著色的種植方式與國外存在較大差異，因此，通過果實中的葉綠素含量變化來判別蘋果成熟度可行性不高；且蘋果果實在成熟過程中會發生一系列復雜的形態和生理變化[16-17]，要實現對采收蘋果成熟度的準確分級需綜合考慮影響果實成熟的多種因子。

本文在篩選出能表征富士蘋果采收成熟度生理指標的基礎上，構建基于光譜分析方法的多因子耦合成熟度預測模型，并對比幾種評價模型的預測結果，以實現對蘋果采收成熟度的無損檢測。

1 試驗材料與方法

1.1 試驗材料

以富士蘋果為研究對象，在蘋果成熟期的10—11月之間，從甘肅省靜寧縣每7 d采集一組試驗樣本。采集樣本后篩選大小相對一致，表面沒有疤痕的蘋果進行試驗。樣本運抵實驗室后，置于室溫(20℃左右)、相對濕度40%～60%的條件下，儲藏24 h，所有樣本均用濕布清理干凈，自然晾干后，對樣本進行逐個編號，采集樣本光譜及理化信息。

1.2 光譜采集

采用的近紅外光譜儀系統主要由鹵鎢燈光源(HL-2000型,Ocean Optics, 美國)、準直鏡、光纖、地物光譜儀(OFS-1100型,Ocean Optics, 美國)與計算機組成。整個系統安裝在一個密封的光屏蔽艙內，以防外部光干擾。光譜儀的有效響應范圍為200～1 100 nm，分辨率為0.43 nm。光譜儀與準直鏡通過光纖連接，與計算機通過USB 連接，光譜數據可直接通過軟件Spectrasuite采集獲得。通過可見/近紅外光譜儀采集不同成熟度下的蘋果漫反射信息，樣本沿赤道方向，每旋轉120°進行一次光譜采集，獲得的3次光譜信息取平均值作為該樣本的漫反射光譜，圖1為可見/近紅外光譜采集系統示意圖。

圖1 光譜采集系統示意圖Fig.1 Schematic of spectral acquisition system1.檢測暗室 2.蘋果 3.光源 4.光譜儀 5.計算機

1.3 品質因子理化含量測定

蘋果樣本的可溶性固形物(Soluble solids content, SSC)含量測量使用蘋果專用糖度計(PAL-BX/ACID5型, ATAGO, 日本)，方法參照GB/T 10651—2008[1]執行。用蒸餾水校正零點，沿赤道方向取光譜采集相同位置的3處果肉，榨汁，分別滴于糖度計直接測量，3次測量的平均值作為樣本可溶性固形物含量的標準值。

蘋果硬度(Firmness,F)測定使用物性測定儀(TA.XT Express型, Stable Micro Systems, 英國)，采用P5探頭(直徑5 mm)，穿刺速度1.0 mm/s，測試距離10 mm，觸發閾值2.0 g，在標記區域從果皮向果肉穿刺，將計算得到的果肉硬度取平均作為最終蘋果硬度指標參考值。

選用色差儀(NR310型，三恩馳，中國)對蘋果進行色澤指標測定。進行測試前，首先用白板完成儀器校正，保持檢測器端口與蘋果表面完全接觸以防止色差儀光線泄漏。在樣本蘋果的赤道處均勻選取4個點，依次采集色澤參數L*、C*、h*、a*、b*數值，取其平均值代表果實表面的顏色特征。表1 列出了242個被測蘋果可溶性固形物、硬度、顏色各參數實測值的變化范圍、平均值及標準差等統計量。

對采摘的樣本參考何婉茹[18]制作的富士蘋果淀粉染色圖譜進行淀粉染色測定，結合樣本的采收時間和淀粉染色等級進行蘋果成熟度分類，其中將適合貯藏的成熟度等級定義為八成熟；達到食用最佳不適合貯藏的成熟度等級定義為九成熟；果實變軟變綿，趨于衰老的成熟度等級定義為十成熟。成熟度分類結果用作后續建模分析分類真值。

1.4 數據處理與模型評價

1.4.1成熟度指數

在對蘋果成熟指標光譜特性分析中，相關研究[19-22]表明可溶性固形物能夠表征蘋果果實中與糖相關品質的變化，并與光譜特性呈強相關性，蘋果硬度以及顏色指標也能通過光譜信息反演其含量變化。IQI指數[23](Internal quality index)結合了果肉硬度、總可溶性固形物含量和顏色指標被提出用來表征芒果成熟度，相對于淀粉染色測量的有損和復雜，顯然IQI指數評價更易通過光譜信息反演。為實現蘋果成熟度的無損判別，本研究在IQI指數的基礎上提出蘋果成熟度評價指數(Simplified internal quality index,SIQI)，表達式為

表1 蘋果樣本不同參數統計表Tab.1 Statistics of different parameters values of apple samples

(1)

式中ISIQI——成熟度評價指數

F——果肉硬度

SSSC——可溶性固形物含量

L*——亮度C*——色度

h*——色相角

1.4.2光譜數據預處理及降維方法

傳統剔除異常樣本的準則是，一旦鑒定出某些樣本為異常樣本，就會永久剔除?？赡軙斐蓪⒎钱惓颖惧e誤當成異常樣本的局限性。“二審”回收算子法在檢測出異常樣本時，并不是立即剔除，而是一次取一個異常樣本，重新放回訓練集進行訓練，如果其仍是異常樣本，予以剔除，否則保留該樣本[24]。

隨機蛙跳(Random frog, RF)算法是一種新型特征波段選擇算法[25]。它可利用少量的變量迭代進行建模，能夠輸出每個變量選擇的可能性，從而進行變量的選擇，是一種非常有效的高維數據變量選擇方法。

1.4.3建模方法與模型評價

極限學習機(Extreme learning machine, ELM)是一種針對單隱含層前饋神經網絡的新算法，它會隨機產生輸入層與隱含層的鏈接權值與隱含層神經元的閾值，并且在訓練過程中無需調整，只要設置隱含層的神經元數就可以得到最優解[26-27]。偏最小二乘回歸算法(Partial least squares regression, PLSR)和支持向量回歸算法(Support vector regression,SVR)是光譜分析中的常用分析方法，可用于回歸、分類等[28-31]。

利用Matlab 2017a、The Unscrambler X10.0以及SPSS 19.0軟件對原始光譜進行預處理、數據剔除、特征變量篩選、模型建立及因子分析。模型的評價使用相關系數(R)、校正均方根誤差RMSEC(Root mean square error of calibration, RMSEC)和預測均方根誤差RMSEP(Root mean square error of prediction, RMSEP)。模型的相關系數越高，誤差越小，表明校正模型的性能越好[32-33]。

2 試驗結果與分析

2.1 蘋果不同成熟度樣本的光譜特征分析

不同成熟度蘋果樣本平均反射光譜如圖2所示，從圖中可看出其趨勢基本相同。但隨著蘋果不斷成熟，其內部淀粉水解為可溶性糖類，部分有機酸轉變為糖類物質，果實原果膠逐漸分解，細胞變松弛，果實中類胡蘿卜素、花青素等色素含量發生變化。反映到光譜上，在400～750 nm之間的光譜曲線差異較大，且均在680、980 nm處出現吸收峰。在波長400～500 nm附近的吸收峰與類胡蘿卜素相關，680 nm處為C—H基團的二級倍頻特征吸收峰，與顏色變化及吸收輻射的葉綠素含量相關，在波段980 nm處為O—H基團的二級倍頻特征吸收峰，與果實內部的水分變化相關。

圖2 不同成熟度蘋果樣本的平均反射光譜Fig.2 Average reflectance spectra of apple samples with different maturities

從圖2中可看出八成熟的樣本光譜反射率比九成熟和十成熟樣本高且有較明顯的差異，但九成熟與十成熟的樣本后面光譜波段具有相似的光譜特征，從而產生了重疊，可能由于后期果實已成熟，品質指標變化趨于緩慢，采收時間間隔較短，導致差異性不明顯，而八成熟和十成熟樣本的成熟程度相差較大，內部成分含量差異性較大，使得吸收光譜的特征差異較大，從而能在光譜上呈現明顯的分開狀態。

2.2 光譜數據分析

2.2.1光譜數據預處理

進行數據分析與建模前，對242個蘋果樣本的光譜數據采用“二審”回收算子法分別對可溶性固形物、硬度、顏色等指標進行異常樣本剔除，再對剩余樣本建立偏最小二乘交叉驗證模型(Partial least squares-cross validation, PLS-CV)，鑒定剔除效果。其中可溶性固形物剔除了標號為5、77、80、145、192的5個異常樣本；硬度剔除了174和195號2個異常樣本，顏色指標無異常樣本。最終保留235個樣本參與蘋果成熟度預測分析。由于在低于400 nm或高于1 000 nm的光譜信息含有較多噪聲信息，對后續建模會造成一定影響，因此選取400～1 000 nm范圍內的光譜作為有效參考光譜，全波段建模共有1 251個波長變量。采用SG卷積平滑(Savitzky-Golay smooth, SG)、多元散射校正(Multiple scattering correction, MSC)和標準正態變量變換(Standard normal variable transformation, SNV)等預處理方法對保留的光譜數據進行預處理，保留有效信息，提高后續建立模型的穩健性。通過不同建模方法建立單品質因子預測模型結果分析比較，其中采用SG與MSC算法結合對原始光譜進行預處理效果最好。

2.2.2特征變量提取

圖3 采用隨機蛙跳算法提取特征變量結果Fig.3 Extracting feature spectra result by using random frog

以1 251個近紅外光譜波長變量作為待選擇對象，在對光譜數據經MSC預處理后，采用RF算法對數據變量進行篩選。為保證結果的收斂，將迭代參數N設為10 000，N次迭代后計算得到每個參考變量被選擇的概率，將所有變量被選可能進行排序，同時根據變量最終建模結果選擇合適參考閾值，盡可能包含原始光譜絕大多數有效信息。圖3為采用RF算法進行SSC特征變量提取的結果，參考閾值設置為0.2，提取了55個有效特征數據。其他品質指標采用同樣的方法進行分析處理。通過特征變量篩選得到了最能反映某些物質變化的響應信息，簡化了預測模型的輸入，有效提高了計算效率。

3 成熟度分類模型建立

3.1 基于SIQI評價指數的成熟度模型

采用Kennard-Stone(K-S)方法將235個蘋果樣本按2∶1分為校正集和預測集，對原始光譜信息經MSC預處理分析后，采用RF算法提取各指標參數特征變量，將篩選的可溶性固形物含量、硬度、L*、C*、h*指標的特征變量作為輸入變量，構建成熟度評價指數的偏最小二乘算法預測模型。SIQI指數的預測結果如圖4所示，校正集相關系數Rc為0.962，均方根誤差為0.220，預測集相關系數Rp為0.938，均方根誤差為0.216，SIQI指數的光譜模型預測性能較好。

圖4 基于偏最小二乘算法的SIQI指數預測結果Fig.4 Prediction results of SIQI index based on partial least squares algorithm

3.2 基于因子分析法的成熟度模型

由于蘋果成熟過程中產生一系列生理變化，各品質指標之間存在一定的相關性，因此，為了更好表

征蘋果所處的成熟階段，本研究對7個蘋果成熟度關聯指標進行顯著性分析，通過建立一個綜合評價指標FQI(Factor quality index)來預測蘋果成熟度。利用皮爾遜相關系數的顯著性雙側檢驗進行分析，硬度與可溶性固形物無相關性，可溶性固形物和色澤參數在0.01水平上存在較好的相關性，色澤因子L*、a*、b*之間均存在明顯的相關關系。

將各項指標經過Bartlett球形度檢驗，結果小于0.05，說明各品質間互相不獨立。經過KMO(Kaiser meyer olkin)檢驗的結果為0.711(大于0.5)，表明變量之間存在較強的偏相關性，適合采用因子分析法。首先進行主成分分析，選取對應特征值大于1的因子，結果表明，前兩個主成分對應特征值均大于1，且累積貢獻率達80%以上，已經可以代表原始變量的絕大部分信息。為了考察多項品質指標間的相互作用并進行成熟度評價，利用回歸方法計算成分的得分系數矩陣，結果如表2所示，其成分矩陣的2個主因子得分I1、I2表達式為

I1=0.106X1-0.005X2+0.243X3-0.247X4+
0.157X5-0.224X6+0.217X7

(2)

I2=0.612X1+0.393X2+0.05X3-0.039X4-
0.275X5-0.242X6-0.118X7

(3)

由表2可知，基于因子分析所建立的蘋果成熟度評價指標FQI表達式為

IFQI=0.590 22I1+0.206 11I2=
0.188 7X1+0.078 1X2+0.153 7X3-0.153 8X4+
0.036X5-0.182 07X6+0.103 7X7

(4)

式中IFQI——綜合評價指標

X1——果肉硬度

X2——可溶性固形物含量

X3——亮度L*

X4——色澤a分量X5——色澤b分量

X6——色度C*

X7——色相角h*

式中X1～X7為經過標準化處理后的值。

表2 成分得分系數矩陣Tab.2 Coefficient matrix of basic information of common factors

同樣對光譜信息預處理后，將RF算法提取的各因子參數特征變量作為模型輸入，建立蘋果成熟多因子分析評價模型。采用偏最小二乘算法對蘋果成熟度因子FQI建立預測模型，結果如圖5所示。校正集相關系數Rc為0.919，均方根誤差為1.489，預測集相關系數Rp為0.917，均方根誤差為1.152。

3.3 成熟度分類模型的建立與對比

考慮到全光譜建模數據量大，不利于分類模型的建立和優化，提取不同采收成熟度蘋果樣本原始光譜信息的主成分，由得到的主成分提取結果發現，前5個主成分的累積貢獻率達到99.478%，包含了原始光譜的大部分有效信息。采用ELM、SVR算法直接建立不同成熟度蘋果樣本分類模型。SVR建模過程中選擇徑向基核函數(Radical basis function, RBF)作為支持向量機模型的核函數，使用十等分交叉驗證對懲罰參數c和核參數g進行了尋優，最后利用最優變量完成對網絡測試以及數據的反歸一化。

3類成熟度不同的樣本個數分別為八成熟n1=78、九成熟n2=79和十成熟n3=78，將三者成熟度分類標簽依次定義為1、2、3，將235個試驗樣本劃分為建模集165個，預測集70個。光譜經過相應的SG平滑與MSC預處理分析后，使用前5個主成分分別作為ELM和SVR算法分類模型的輸入變量。圖6為采用ELM算法對預測集的分類結果，研究發現對于成熟晚期和中期的蘋果樣本分類結果較差，誤判的情況比較多，這在光譜信息上也得到了體現。

圖6 ELM算法對不同成熟度蘋果樣本分類結果Fig.6 Classification result of different maturities apple by ELM algorithm

為得到較佳的富士蘋果采收成熟度預測分類結果，在建立的蘋果SIQI指數與因子指數FQI分析預測模型基礎上，SVR算法建立2種模型下的成熟度分類模型。同時與ELM算法、SVR算法所建立的分類模型結果進行比較。4種方法所建立分類模型的對比結果如表3所示。從表3中知，對比4種方法建立的分類模型結果，發現通過成熟度評價指數SIQI建立的分類模型準確率最高，采用ELM算法和SVR算法直接進行成熟度分類時，預測集準確率僅為68.57%和64.29%，無法實現真正意義上的精準采收。利用因子分析法提取成熟度綜合評價指標FQI，通過光譜很好地繁衍出該指標，因子分析指數FQI結合SVR算法，預測集中誤判數為 16個，分類準確率為81.43%。利用成熟度評價指數SIQI結合SVM算法，預測集有10個樣本產生誤判，判別準確率為 85.71%,其中，預測集中2個八成熟誤判為九成熟，5個九成熟誤判為十成熟，3個十成熟誤判為九成熟。產生誤判主要原因是九成熟與十成熟樣本中個別樣本在光譜信息上特征較為相似，產生重疊，同時人為通過盛花期后發育天數以及淀粉染色對比卡抽檢確定成熟程度分類也存在一定的誤差。

表3 不同建模算法對蘋果樣本的分類結果Tab.3 Classification results for apple samples with different algorithms

4 結論

(1)對融合可溶性固形物含量、硬度、L*、C*、h*指標的成熟度評價指數SIQI進行光譜預測分析，結果表明，利用偏最小二乘算法建立的SIQI指數預測集相關系數為0.938，均方根誤差為0.216。

(2)基于蘋果可溶性固形物含量、硬度、L*、a、b、C*、h*7個指標，利用因子相關性分析，構建了成熟度評價指數FQI來預測蘋果成熟度，利用偏最小二乘算法建立FQI指數與光譜信息之間的預測模型，預測集的相關系數為0.917，均方根誤差為1.152。結果表明，利用光譜信息預測多品質指標耦合指數具有可行性。

(3)在2種評價指數基礎上分別建立SIQI指數與SVR算法、FQI指數與SVR算法相結合的分類模型，并與ELM 算法和SVR 算法直接建立的光譜分類模型結果進行比較，對比4種方法的分類結果，發現基于SIQI指數建立的分類模型準確率最優，校正集和預測集判別準確率分別為90.91%和85.71%。研究表明，基于可見/近紅外光譜可實現對蘋果采收成熟度的判別，為果品分批采收和采收后分類貯藏提供有效方法。本研究中基于耦合可溶性固形物含量、硬度和色澤L*、C*、h*指標的SIQI指數分類結果最好，但決定蘋果成熟的相關影響因子較多，因此，后續研究將擴展蘋果采收的時間范圍及樣本量，驗證SIQI指數中5個因子是否能夠表征蘋果的成熟。